共整理三部分,第一部分Solr常规处理,第二部分针对性性处理,前者比较通用,后者有局限性。务必根据具体应用特性,具体调节参数,对比性能。第三部分
solr查询相关的
具体应用需要全面去把控,各个因素一起起作用。
第一部分<Solr常规的调优>
E文连接 http://wiki.apache.org/solr/SolrPerformanceFactors
Schema Design Considerations
indexed fields
indexed fields 的数量将会影响以下的一些性能:
- 索引时的时候的内存使用量
- 索引段的合并时间
- 优化时间
- 索引的大小
我们可以通过将omitNorms=“true”来减少indexed fields数量增加所带来的影响。
stored fields
Retrieving the stored fields 确实是一种开销。这个开销,受每个文档所存储的字节影响很大。每个文档的所占用的空间越大,文档就显的更稀疏,这样从硬盘中读取数据,就需要更多的i/o操作(通常,我们在存储比较大的域的时候,就会考虑这样的事情,比如存储一篇文章的文档。)
可以考虑将比较大的域放到solr外面来存储。如果你觉得这样做会有些别扭的话,可以考虑使用压缩的域,但是这样会加重cpu在存储和读取域的时候的负担。不过这样却是可以较少i/0的负担。
如果,你并不是总是使用stored fields的话,可以使用stored field的延迟加载,这样可以节省很多的性能,尤其是使用compressed field 的时候。
Configuration Considerations
mergeFactor
这个是合并因子,这个参数大概决定了segment(索引段)的数量。
合并因子这个值告诉lucene,在什么时候,要将几个segment合并成为一个segment, 合并因子就像是一个数字系统的基数一样。
比如说,如果你将合并因子设成10,那么每往索引中添加1000个文档的时候,就会创建一个新的索引段。当第10个大小为1000的索引段添加进来的时候,这十个索引段就会被合并成一个大小为10,000的索引段。当十个大小为10,000的索引段生成的时候,它们就会被合并成一个大小为100,000的索引段。如此类推下去。
这个值可以在solrconfig.xml 中的
*mainIndex*中设置。(不用管indexDefaults中设置)
mergeFactor Tradeoffs
较高的合并因子
- 会提高索引速度
- 较低频率的合并,会导致更多的索引文件,这会降低索引的搜索效率
较低的合并因子
- 较少数量的索引文件,能加快索引的搜索速度。
- 较高频率的合并,会降低索引的速度。
HashDocSet Max Size Considerations
hashDocSet是solrconfig.xml中自定义优化选项,
使用在filters(docSets)
中,更小的sets,表明更小的内存消耗、遍历、插入。
hashDocSet参数值最后基于索引文档总数来定,索引集合越大,hashDocSet值也越大。
Calulate 0.005 of the total number of documents that you are going to store. Try values on either ‘side’ of that value to arrive at the best query times. When query times seem to plateau, and performance doesn’t show much difference between the higher number and the lower, use the higher.
Note: hashDocSet is no longer part of Solr as of version 1.4.0, see SOLR-1169.
Cache autoWarm Count Considerations
当一个新的searcher 打开的时候,它缓存可以被预热,或者说使用从旧的searcher的缓存的数据来“自动加热”。autowarmCount是这样的一个参数,它表示从旧缓存中拷贝到新缓存中的对象数量。autowarmCount这个参数将会影响“自动预热”的时间。有些时候,我们需要一些折中的考虑,seacher启动的时间和缓存加热的程度。当然啦,缓存加热的程度越好,使用的时间就会越长,但往往,我们并不希望过长的seacher启动时间。这个autowarm 参数可以在solrconfig.xml文件中被设置。
详细的配置可以参考solr的wiki。
Cache hit rate(缓存命中率)
我们可以通过solr的admin界面来查看缓存的状态信息。提高solr缓存的大小往往是提高性能的捷径。当你使用面搜索的时候,你或许可以注意一下filterCache,这个是由solr实现的缓存。
详细的内容可以参考solrCaching这篇wiki。
Explicit Warming of Sort Fields
如果你有许多域是基于排序的,那么你可以在“newSearcher”和“firstSearcher”event
listeners中添加一些明显需要预热的查询,这样FieldCache 就会缓存这部分内容。
Optimization Considerations
优化索引,是我们经常会做的事情,比如,当我们建立好索引,然后这个索引不会再变更的情况,我们就会做一次优化了。
但,如果你的索引经常会改变,那么你就需要好好的考虑下面的因素的。
- 当越来越多的索引段被加进索引,查询的性能就会降低, lucene对索引段的数量有一个上限的限制,当超过这个限制的时候,索引段可以自动合并成为一个。
- 在同样没有缓存的情况下,一个没有经过优化的索引的性能会比经过优化的索引的性能少10%……
- 自动加热的时间将会变长,因为它依赖于搜索。
- 优化将会对索引的分发产生影响。
- 在优化期间,文件的大小将会是索引的两倍,不过最终将会回到它原来的大小,或者会更小一点。
优化,会将所有的索引段合并成为一个索引段,所以,优化这个操作其实可以帮助避免“too many files”这个问题,这个错误是由文件系统抛出的。
Updates and Commit Frequency Tradeoffs
如果从机 经常从 主机更新的话,从机的性能是会受到影响的。为了避免,由于这个问题而引起的性能下降,我们还必须了解从机是怎样执行更新的,这样我们才能更准确去调节一些相关的参数(commit的频率,spappullers, autowarming/autocount),这样,从机的更新才不会太频繁。
执行commit操作会让solr新生成一个snapshot。如果将postCommit参数设成true的话,optimization也会执行snapShot.- slave上的Snappuller程序一般是在crontab上面执行的,它会去master询问,有没有新版的snapshot。一旦发现新的版本,slave就会把它下载下来,然后snapinstall.
- 每次当一个新的searcher被open的时候,会有一个缓存预热的过程,预热之后,新的索引才会交付使用。
这里讨论三个有关的参数:
- number/frequency of snapshots —-snapshot的频率。
- snappullers 是 在crontab中的,它当然可以每秒一次、每天一次、或者其他的时间间隔一次运行。它运行的时候,只会下载slave上没有的,并且最新的版本。
- Cache autowarming 可以在solrconfig.xml文件中配置。
如果,你想要的效果是频繁的更新slave上的索引,以便这样看起来比较像“实时索引”。那么,你就需要让snapshot尽可能频繁的运行,然后也让snappuller频繁的运行。这样,我们或许可以每5分钟更新一次,并且还能取得不错的性能,当然啦,cach的命中率是很重要的,恩,缓存的加热时间也将会影响到更新的频繁度。
cache对性能是很重要的。一方面,新的缓存必须拥有足够的缓存量,这样接下来的的查询才能够从缓存中受益。另一方面,缓存的预热将可能占用很长一段时间,尤其是,它其实是只使用一个线程,和一个cpu在工作。snapinstaller太频繁的话,solr
slave将会处于一个不太理想的状态,可能它还在预热一个新的缓存,然而一个更新的searcher被opern了。
怎么解决这样的一个问题呢,我们可能会取消第一个seacher,然后去处理一个更新seacher,也即是第二个。然而有可能第二个seacher 还没有被使用上的时候,第三个又过来了。看吧,一个恶性的循环,不是。当然也有可能,我们刚刚预热好的时候就开始新一轮的缓存预热,其实,这样缓存的作用压根就没有能体现出来。出现这种情况的时候,降低snapshot的频率才是硬道理。
Query Response Compression
在有些情况下,我们可以考虑将solr xml response 压缩后才输出。如果response非常大,就会触及NIc i/o限制。
当然压缩这个操作将会增加cpu的负担,其实,solr一个典型的依赖于cpu处理速度的服务,增加这个压缩的操作,将无疑会降低查询性能。但是,压缩后的数据将会是压缩前的数据的6分之一的大小。然而solr的查询性能也会有15%左右的消耗。
至于怎样配置这个功能,要看你使用的什么服务器而定,可以查阅相关的文档。
Embedded vs HTTP Post
使用embeded 来建立索引,将会比使用xml格式来建立索引快50%。
RAM Usage Considerations(内存方面的考虑)
OutOfMemoryErrors
如果你的solr实例没有被指定足够多的内存的话,java virtual machine也许会抛outof memoryError,这个并不对索引数据产生影响。但是这个时候,任何的adds/deletes/commits操作都是不能够成功的。
Memory allocated to the Java VM
最简单的解决这个方法就是,当然前提是java virtual machine还没有使用掉你全部的内存,增加运行solr的java虚拟机的内存。
Factors affecting memory usage(影响内存使用量的因素)
我想,你或许也会考虑怎样去减少solr的内存使用量。其中的一个因素就是input document的大小。当我们使用xml执行add操作的时候,就会有两个限制。
- document中的field都是会被存进内存的,field有个属性叫maxFieldLength,它或许能帮上忙。
- 每增加一个域,也是会增加内存的使用的。
第二部分<Solr特殊调优>
1. 多core的时候
多core 如果同一时间进行core 切换,会导致内存、cpu压力过大,可以扩展Solr代码,限制最多同时core
切换的执行个数。保证不会出现高load或者高cpu 风险
2,应用较高安全
最后不低于2个结点工作,并且最好2个结点是跨机器的。
offline与online切换的时候,如果数据量不是很多,可以考虑index与search合一,如果数据量较大,超过5000w的时候,建议index
offline或者search结点之外的其他结点上执行index
3.cache参数配置
如果更新很频繁,导致commit和reopen频繁,如果可以的话,关闭cache.
如果访问中依赖cache提示性能,那么最好关闭cache warm,no facet 需求
或者开开启cache warm 有facet需要,对fieldvalue cache很依赖的话。
实时更新的话,通常document cache命中率比较低,完全可以不开启这个配置
4.reopen 和commit
如果可以的话,主磁盘索引,不参入segment合并,新的索引段走不同的目录。并且reopen的时候,主索引的不变动。
commit与reopen异步化
5.有一部分数据如果不变动,可以考虑使用memory cache 或者locale cache 平衡性能和空间开销,同时避免FGC
6.中间变量压缩、单例化
所有查询或者建索引过程中,尽量少创建对象,而通过set改变对象值,以及单例化,提升性能。一些较大中间变量,如果可以的话,采取一些整数压缩
7.对象表示重定义
例如日期、地区、url、byte等一些对象,可以考虑差值、区位码、可别部分、压缩等结构,使得内存开销降低间接使得内存使用率提高,获得更好性能。
8.index与store 隔离
就是index发挥它的查询性能,store发挥它的存储、响应性能。
也就是不要将所有的内容都放在index中,尽量使得field的属性stored=false
9. 使用solr、lucene最新版本
10. 共享分词实例
自定义的分词,务必使用单例。千万不要一个document创建一个分词对象
第三部分 Solr查询
1. 对按指定域排序
展示的时候,对于数字的建议,展示最近1或者3个月数据。例如价格,防止作弊
dump或者建索引的时候,对数字加以上下界检测,及早发现数字本身正确,而实际意义不合理的数据
2. 排序可变性
默认的排序务必有自己的相关参数,并且平衡各方面需求。
排序要变,但是不至于大的波动。排序的细节不公开,但是排序的结果可以解释的清楚。
3.线上线下
有些分值可以线下完成,有些分值线上完成。看需求。
4.多域查询
如果默认查询多个域,不妨将多个域合成一个域,只差一个域
5.高亮
高亮可以在solr里面或者外面执行的,不一定在solr里面执行,可以在solr之外执行
同理,分词可以在线下执行好,dump只执行简单的空格分词即可
6.统计
facet统计可以先上与线下相结合,不一定完全依赖线上即时计数。
7.主动搜索
主动搜索查询串务必严格处理,既要去无效查询串,也要适当扩展查询串。
明确查询路径和hit=0的对应处理。